A Stochastic Simulation Tool for Generating Hourly Load Profiles for Residential EV Charging, Based on Real-World Charging Reports
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2788509Utgivelsesdato
2021Metadata
Vis full innførselSamlinger
- Institutt for elkraftteknikk [2482]
Sammendrag
Antall elbiler i Norge øker fort. For planlegge og drifte det langsiktige kraftsystemet og analysere elbilers effekt på strømnettet trengs gode modeller som kan simulere realistiske lastprofiler. I tillegg trengs slike modeller for å analysere optimale ladestrategier for elbiler.
Målet for denne oppgaven har vært å utvikle en modell som kan brukes til å simulere realistiske timesbaserte lastprofiler for dum privat hjemmelading, basert på faktiske elbil-ladedata. Dataene som er brukt er laderapporter fra ladeoperatører som gir informasjon om dato, brukertype, bruker-ID, plug-inn og plugg-ut tid, tilkoblingstid og ladet energi for hver målte ladingsøkt. Dataene viser at ladevaner avhenger av elbiltype og dagtype. Dette er tatt hensyn til i modellen.
Modellen er en stokastiske bottom-up-modell, og simulerer lastprofiler for elbiler ladet hjemme i Norge gjennom et år. Lastprofilene avhenger av to typer elbiler definert som "stor elbil" og "liten elbil", og henviser til batteristørrelsen til bilen. Modellen kan simulere lastprofiler for hvilket som helst antall elbiler og sammensetning av elbiltyper. I tillegg gis informasjon for plug-in- og plugg-ut tid, energi ladet, ladefrekvens og antall timer elbilen er koblet til uten å lade.
For å analysere og evaluere modellen som er utviklet brukes det tre forskjellige case til å simulere lastprofiler for 1000 elbiler: BASE, LOW, og HIGH. I LOW er alle elbiler antatt til å være "liten elbil" med en lav maksimal ladeeffekt på 3,6 kW. I HIGH er alle elbiler antatt til å være "stor elbil" med en høy maksimal ladeeffekt på 7,2 kW. I BASE reflekterer batteristørrelse og maksimal ladeeffekt sammensetningen av elbiler slik den er i dataene, og er en kombinasjon av de to andre casene.
De aggregerte lastprofilene har samme form i alle de tre tilfellene, og den gjennomsnittlige toppeffekten inntreffer på samme tid for de ulike dagtypene: mellom klokken 17 og 18 i ukedagene, mellom klokken 18 og 19 på lørdager, og mellom klokken 19 og 20 på søndager. Siden lastprofilene er basert på dum lading, vil de reflektere distribusjonen av ulik plug-in tid for de ulike dag-typene.
Effekttoppen og det årlige energibehovet er størst i HIGH og minst i LOW. BASE ligger mellom de to. Resultatene validerer at modellen tar hensyn til faktorer som ladefrekvenser og energibehov, og at disse er avhengig av elbiltype. Dette vises også i antall timer ladere er koblet til nettet uten å lade og hvor mye energi som kan flyttes i tid. Selv om LOW har flere timer koblet til nettet uten å lade, har HIGH mer energi som kan flyttes i tid.
For å ytterligere vurdere modellen er det også laget lastprofiler for de samme casene med fleksibel lading. Her betyr fleksibel lading at energien som lades fordeles likt over tilkoblingstiden. Sammenlignet med dum lading reduseres effekttoppene kraftig, med 35-38%. I tillegg inntreffer nå effekttoppene om natten i alle de tre tilfellene.
Det er en oppfatting at elbiler med store batterier og høy maksimal ladeeffekt er foretrukket dersom elbiler skal brukes som en fleksibel last i nettet. Gjennom denne oppgaven, sees det at elbiler med disse egenskapene har flere timer koblet til nettet uten å lade. Skal elbiler planlegges til å brukes som en fleksibel last, er det viktig å være klar over denne trenden.
Alt i alt gir modellen realistiske resultater. Likevel, for å gjøre den mer robust, bør mer ladedata analyseres og inkluderes. The electrical vehicle (EV) fleet is increasing in Norway. To plan and operate the long-term power system and evaluate EVs’ effect on the power grid, accurate load-profile generation models are needed. Such models are also needed to analyse optimal EV charging strategies.
The purpose of this thesis is to develop a model to simulate realistic hourly load profiles for dumb private home charging, based on real-world EV-charging data. The data is provided by charging reports from charging point operators (CPOs), and gives information on the date, user type, user ID, plug-in and plug-out time, connection time, and charged energy for every measured charging session. Analysis of the data reveals that the factors EV type and day type impacts the EV user charging habits, as such these factors are considered in the model.
The model is a stochastic bottom-up model, providing single load profiles for EVs being charged at home in Norway for a year. The load profiles depend on two types of EVs defined as “large EV” and “small EV”, referring to the battery size of the car. It is possible to simulate any number of EVs and composition of EV stock. In addition, information for plug-in and plug-out time, charged energy, charging frequency and idle hours for each EV user is extracted when running the model.
Three different cases simulating load profiles for 1000 EVs are used to analyse and evaluate the model: BASE, LOW, and HIGH. In LOW, the EVs are assumed to be “small EVs” with a maximum charging power of 3.6 kW. In HIGH, EVs are assumed to be “large EVs” with a maximum charging power of 7.2 kW. In BASE, the battery sizes and maximum charging powers reflect the composition of the EV stock of the data set and combines the two other cases.
The simulation results show that the aggregate load profiles have the same shape in all three cases, and the daily average peak power occurs at the same time for the different day types: between hour 17 and 18 on weekdays, between hour 18 and 19 on Saturdays, and between hour 18 and 19 on Sundays. As the load profiles presumes dumb charging, they reflect the distribution of the plug-in time for the different day types used in the model.
The power peak and annual energy need are largest in HIGH and smallest in LOW, while BASE is between the two. The results validate that the model can account for factors such as charging frequencies and energy need being dependent on the EV type. This is also seen in the idle hours and shiftable energy levels. Even though the idle hours are higher in LOW, the shiftable energy level is higher in HIGH.
To further study the model, load profiles are simulated for the same cases assuming flexible charging. In this thesis, flexible charging means distributing the charged energy equally over the connection time. Compared to the load profiles for dumb charging, the peak powers are reduced by 35-38%. In addition, they are moved to occurring at night in all three cases.
It is a perception that EVs with large EV batteries and high maximum charging powers are preferred if using EVs as a flexible source in the grid. From this work, it is seen that EVs with these characteristics have fewer idle hours and are therefore a less flexible resource. When planning to use EVs as a flexible source, it is important to be aware of this trend.
All in all, the model generates realistic results for the aggregate load profile. However, to make it more robust, more charging data should be analysed and included.